一种基于平滑约束的图构造方法与流程

本发明涉及图像处理
技术领域：
，尤其是一种基于平滑约束的图构造方法。
背景技术：
：由于图能够有效描述图像中各个图像区域之间的关系，有很多学者基于图这个有效工具对图像进行加工和处理，比较经典的基于图的算法包括基于图的流形排序算法、谱聚类算法等。虽然图是这一类算法的核心，但是很多工作都将研究重点放在算法的设计本身，而忽略了图的构造。大部分工作简单基于特征的k近邻选取边来构造图，这一类方法非常依赖于k值的选取。有一些工作基于不同特征选取边，这一类方法对不同特征分别进行处理，忽略了图像区域之间的平滑结构特性。技术实现要素：本发明所要解决的技术问题在于，提供一种基于平滑约束的图构造方法，充分考虑图像区域之间的平滑结构特性，使之能够更好地描述图像区域之间的关系。为解决上述技术问题，本发明提供一种基于平滑约束的图构造方法，包括如下步骤：(1)将输入图像分割成多个互不相交的图像区域，并将这些图像区域定义为所构造图的顶点；(2)构造初始的图；将各个顶点与自身相连，即将各顶点与自身之间的边权设置为1；与其他顶点均不相连，即将各顶点与其他顶点之间的边权设置为0；(3)根据顶点的空间位置特征和颜色特征计算两两顶点之间的特征相似度；(4)基于顶点间的特征相似度设置平滑约束项；(5)基于平滑约束项，设计优化框架来优化初始的图，得到最终的图。优选的，步骤(1)中，基于现有的simplelineariterativeclustering(slic)算法，将输入图像分割成200个互不相交的图像区域，将这些图像区域定义为所构造图的顶点；其中，各个图像区域的空间位置特征定义为该图像区域中各像素点空间位置特征的平均值，各个图像区域的颜色特征定义为该图像区域中各像素点颜色特征的平均值；用vi代表图的顶点，i是对应顶点的下标，1≤i≤200。优选的，步骤(2)中，将各顶点与自身之间的边权设置为1，与其他顶点之间的边权设置为0，即将各个顶点仅与自身相连，以此得到初始的图；用大小为200*200的矩阵a＝[a1,…,ai,…,a200]表示初始的图；其中，列向量ai描述的是顶点vi与其他各个顶点之间边的信息：在初始图中，aii＝1，该向量中其余值均为0。优选的，步骤(3)中，空间位置特征指的是在图像的横轴和竖轴上归一化到[0,1]之间的位置特征，将图像区域i的位置特征记作[xi,yi]；基于cielab空间和rgb空间得到颜色特征，将图像区域i的颜色特征记作[li,ai,bi,ri,gi,bi’]；顶点vi的特征fi由其空间位置特征和颜色特征组成，则fi＝[xi,yi,li,ai,bi,ri,gi,bi’]；顶点i和顶点j之间的特征相似度s根据以下公式计算而得；公式中尺度参数σ2是控制特征距离对特征相似度影响的一个常数，设置为0.1；优选的，步骤(4)中，根据特征相似度s设置平滑约束ω；使用1*200的列向量gi描述所构造的图中顶点vi与其他各个顶点之间边的信息；那么，平滑约束ω根据以下公式进行计算：该公式表明，如果两个顶点vi和vj之间的特征相似度越大，这两个顶点与其他各个顶点之间边的选取和边权的值越接近。优选的，步骤(5)中，基于平滑约束和初始图的信息设计优化函数：上述优化函数o(g)中，加号前面的部分是根据特征相似度而得的平滑约束，加号后面的部分是基于初始图a而得的误差项；参数α用于平衡这两部分，将α设置为0.05,使最终结果更加依赖于所构造的平滑约束；通过最小化上述优化函数，求得所要构造的图g：g＝(d-s+αi)-1ad是一个200*200的对角矩阵，其中元素dii等于矩阵s中第i行所有元素之和，i是一个200*200的单位矩阵。本发明的有益效果为：本发明基于空间特征和颜色特征计算图像区域间的特征相似度，根据特征相似度构造平滑约束项，设计包含平滑约束和初始图信息的优化函数，最优化得到所构造的图；充分考虑了图像区域之间的平滑约束特性，有助于提高基于图的算法的性能；本发明将该图构造方法应用于图像中的显著区域检测问题中，能够有效提高显著区域检测的s-measure值。附图说明图1为本发明的方法流程示意图。具体实施方式如图1所示，一种基于平滑约束的图构造方法，包括如下步骤：s1：基于现有的simplelineariterativeclustering(slic)算法，将输入图像过分割成200个互不相交的图像区域，将这些图像区域定义为所构造图的顶点；其中，各个图像区域的空间位置特征定义为该图像区域中各像素点空间位置特征的平均值，各个图像区域的颜色特征定义为该图像区域中各像素点颜色特征的平均值。用vi代表图的顶点，i是对应顶点的下标，1≤i≤200。s2：构造初始的图：将各顶点与自身之间的边权设置为1，与其他顶点之间的边权设置为0，即将各个顶点仅与自身相连，以此得到初始的图。用大小为200*200的矩阵a＝[a1,…,ai,…,a200]表示初始的图。其中，列向量ai描述的是顶点vi与其他各个顶点之间边的信息：在初始图中，aii＝1，该向量中其余值均为0。s3：根据顶点的空间位置特征和颜色特征计算两两顶点之间的特征相似度。空间位置特征指的是在图像的横轴和竖轴上归一化到[0,1]之间的位置特征。将图像区域i的位置特征记作[xi,yi]。基于cielab空间和rgb空间得到颜色特征。将图像区域i的颜色特征记作[li,ai,bi,ri,gi,bi’]。顶点vi的特征fi由其空间位置特征和颜色特征组成，则fi＝[xi,yi,li,ai,bi,ri,gi,bi’]。顶点i和顶点j之间的特征相似度s根据以下公式计算而得。公式中尺度参数σ2是控制特征距离对特征相似度影响的一个常数，设置为0.1。s4：根据顶点间的特征相似度s设置平滑约束ω。使用1*200的列向量gi描述所构造的图中顶点vi与其他各个顶点之间边的信息。那么，平滑约束ω根据以下公式进行计算。该公式表明，如果两个顶点vi和vj之间的特征相似度越大，这两个顶点与其他各个顶点之间边的选取和边权的值越接近。s5：基于平滑约束和初始图的信息，设计优化框架来优化初始的图，得到最终的图。上述优化函数o(g)中，加号前面的部分是根据特征相似度而得的平滑约束，加号后面的部分是基于初始图a而得的误差项。参数α用于平衡这两部分，将α设置为0.05,使最终结果更加依赖于所构造的平滑约束。通过最小化上述优化函数，我们可以求得所要构造的图g。g＝(d-s+αi)-1ad是一个200*200的对角矩阵，其中元素dii等于矩阵s中第i行所有元素之和。i是一个200*200的单位矩阵。为验证本发明提供的图构造方法的有效性，下面将该图构造方法应用于显著目标检测问题中。我们使用s-measure指标在ecssd和sod数据库上与9种方法进行了比较。这9种显著目标检测方法分别是：sf方法、am方法、gr方法、cl方法、gp方法、rrwr方法、pm方法、mst方法和gf方法。本发明的方法简称为ours。本方法与其他方法的性能比较如表1和表2所示。ecssd和sod数据库都是包含复杂图像的显著目标检测数据库。根据表中的性能比较可以发现，本发明所构造的图，充分利用了平滑结构特性，更有利于在复杂自然场景图像中检测出显著目标。表1多种显著目标检测方法在ecssd数据库上的性能比较方法名称sfamgrclgps-measure0.4510.6390.6430.6280.658方法名称rrwrpmmstgfourss-measure0.6450.6670.6480.6610.678表2多种显著目标检测方法在sod数据库上的性能比较方法名称sfamgrclgps-measure0.4200.6060.5860.5630.620方法名称rrwrpmmstgfourss-measure0.5880.6140.6090.6180.647。当前第1页12